阿里国际的AI翻译模型Marco-MT在2025年WMT机器翻译大赛中表现出色，获得6项冠军，超越多款顶尖模型，显示其通用翻译能力得到认可。该模型结合电商翻译经验与创新训练方法，显著提升翻译质量。

本研究提出了一种创新方法，利用大型语言模型提升国际口语翻译研讨会(IWSLT)中的语音翻译与指令跟随任务的性能。通过融合多个自动语音识别系统的输出，采用两步翻译和文档级精炼，显著提高了翻译质量。

本研究提出了TransProQA评估框架，旨在改善现有文学翻译评估指标对机械准确性的过度关注。该框架整合了专业翻译人员的见解，从而提升了评估的质量和准确性，显示出在文学翻译评估中的潜在影响。

本研究提出SimulS2S-LLM方法，解决大语言模型在实时语音翻译中的并行推理问题，通过离线训练和策略指导，实现高质量的语音即时翻译。

本研究评估了大型语言模型（LLMs）和谷歌翻译在印度语言翻译中的质量。结果表明，LLMs在翻译准确性上有所提升，但在情感和语义完整性方面仍面临挑战，尤其是在比喻和哲学内容的翻译中。GPT-4o和GPT-3.5在保留《博伽梵歌》翻译的情感方面优于谷歌翻译。

本研究探讨了多源输入策略对机器翻译质量的影响，发现通过中介语言翻译可以显著提高英中翻葡萄牙语的质量，尤其在特定领域和语言距离较大时。选择合适的情境语言能有效改善翻译效果。

本研究评估了o1类大型语言模型在多语言机器翻译中的表现，发现其在无上下文任务中优于传统模型，模型大小、推理成本和温度参数对翻译质量影响显著，尤其在历史和文化翻译方面表现突出。

本研究探讨了多语言大语言模型在不同语言和任务中的提示翻译策略，评估了翻译质量和预训练数据规模对模型性能的影响，为选择最佳翻译策略提供了实用指南。

该研究提出了一种基于枢轴翻译的单模型集成框架，旨在提升低资源语言对的神经机器翻译性能。通过知识转移，该方法生成多样且准确的翻译候选，并通过选择高质量候选进行聚合，从而显著提高翻译质量。实验结果表明，该方法有效捕捉源句的细微差异，提供更优质的翻译。

本研究提出了一种新方法，通过引入幻觉偏好数据集，显著降低机器翻译中的幻觉率，平均减少96%。该方法有效提升翻译质量，增强用户信任与安全性。

本研究提出了一种新型文档级机器翻译代理Doc-Guided Sent2Sent++，旨在提高翻译质量、一致性和流畅性。该代理采用增量句子级强制解码策略，确保每个句子被翻译并提升相邻句子的流畅性。研究结果表明，该方法在多种语言和领域中优于现有技术。